Aimv2 Large Patch14 224 Distilled

🚀 视觉模型AIMv2

AIMv2是一系列视觉模型，通过多模态自回归目标进行预训练。该模型预训练简单直接，能够有效进行训练和扩展。其在多模态理解基准测试、开放词汇目标检测和指代表达理解等任务中表现出色，具有很强的识别性能。

🚀 快速开始

模型信息

模型介绍

[AIMv2论文] [BibTeX]

我们推出了AIMv2系列视觉模型，这些模型通过多模态自回归目标进行预训练。AIMv2的预训练过程简单直接，能够有效进行训练和扩展。AIMv2的一些亮点包括：

1. 在大多数多模态理解基准测试中，性能优于OAI CLIP和SigLIP。
2. 在开放词汇目标检测和指代表达理解方面，性能优于DINOv2。
3. 展现出强大的识别性能，AIMv2 - 3B在使用冻结主干的情况下，在ImageNet上达到了*89.5%*的准确率。

💻 使用示例

基础用法 - PyTorch

import requests
from PIL import Image
from transformers import AutoImageProcessor, AutoModel

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

processor = AutoImageProcessor.from_pretrained(
    "apple/aimv2-large-patch14-224-distilled",
)
model = AutoModel.from_pretrained(
    "apple/aimv2-large-patch14-224-distilled",
    trust_remote_code=True,
)

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)

基础用法 - JAX

import requests
from PIL import Image
from transformers import AutoImageProcessor, FlaxAutoModel

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

processor = AutoImageProcessor.from_pretrained(
    "apple/aimv2-large-patch14-224-distilled",
)
model = FlaxAutoModel.from_pretrained(
    "apple/aimv2-large-patch14-224-distilled",
    trust_remote_code=True,
)

inputs = processor(images=image, return_tensors="jax")
outputs = model(**inputs)

📄 许可证

本项目使用的许可证为apple - amlr。

📚 引用

如果您觉得我们的工作有用，请考虑按照以下方式引用：

@misc{fini2024multimodalautoregressivepretraininglarge,
  author      = {Fini, Enrico and Shukor, Mustafa and Li, Xiujun and Dufter, Philipp and Klein, Michal and Haldimann, David and Aitharaju, Sai and da Costa, Victor Guilherme Turrisi and Béthune, Louis and Gan, Zhe and Toshev, Alexander T and Eichner, Marcin and Nabi, Moin and Yang, Yinfei and Susskind, Joshua M. and El-Nouby, Alaaeldin},
  url         = {https://arxiv.org/abs/2411.14402},
  eprint      = {2411.14402},
  eprintclass = {cs.CV},
  eprinttype  = {arXiv},
  title       = {Multimodal Autoregressive Pre-training of Large Vision Encoders},
  year        = {2024},
}